Resumen

Adquirir señales electrocardiográficas (ECG) y realizar la clasificación de arritmias en escenarios de dispositivos móviles tiene las ventajas de un tiempo de respuesta corto, un consumo de ancho de banda de red casi nulo y un ahorro de recursos humanos. En los últimos años, las redes neuronales profundas se han convertido en un método popular para simular de forma eficiente y precisa patrones no lineales de datos de ECG en función de los datos, pero requieren más recursos. Por lo tanto, es crucial diseñar algoritmos de aprendizaje profundo (DL) que sean más adecuados para dispositivos móviles con recursos limitados. En este trabajo, se propone KecNet, un esquema ligero de construcción de redes neuronales basado en el conocimiento del dominio, para modelar datos de ECG aprovechando eficazmente el análisis de señales y el conocimiento médico. Para evaluar el rendimiento de KecNet, utilizamos el protocolo de la Association for the Advancement of Medical Instrumentation (AAMI) y la base de datos de arritmias MIT-BIH para clasificar cinco categorías de arritmias. El resultado muestra que ACC, SEN y PRE alcanzan un 99,31%, 99,45% y 98,78%, respectivamente. Además, también posee una gran robustez frente a entornos ruidosos, un bajo uso de memoria y ventajas de interpretabilidad física. Gracias a estas ventajas, KecNet puede aplicarse en la práctica, especialmente en dispositivos móviles portátiles y ligeros para la clasificación de arritmias.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:KecNet, datos de ECG, clasificación de arritmias, esquema de construcción de redes neuronales ligeras, base de datos de arritmias BIH, redes neuronales profundas, ahorro de recursos humanos, dispositivos móviles ligeros, bajo uso de memoria, escenarios de dispositivos móviles.
• Keywords:KecNet, ECG data, arrhythmia classification, lightweight neural network construction scheme, BIH arrhythmia database, deep neural networks, human resource savings, lightweight mobile devices, low memory usage, mobile device scenarios